CN106096507A - 智慧交通黑车识别方法 - Google Patents

智慧交通黑车识别方法 Download PDF

Info

Publication number
CN106096507A
CN106096507A CN201610368981.4A CN201610368981A CN106096507A CN 106096507 A CN106096507 A CN 106096507A CN 201610368981 A CN201610368981 A CN 201610368981A CN 106096507 A CN106096507 A CN 106096507A
Authority
CN
China
Prior art keywords
vehicle
data
illegal
space
illegal vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610368981.4A
Other languages
English (en)
Other versions
CN106096507B (zh
Inventor
王东洲
郑德舜
丁红雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTEsoft Technology Co Ltd
Original Assignee
ZTEsoft Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZTEsoft Technology Co Ltd filed Critical ZTEsoft Technology Co Ltd
Priority to CN201610368981.4A priority Critical patent/CN106096507B/zh
Publication of CN106096507A publication Critical patent/CN106096507A/zh
Application granted granted Critical
Publication of CN106096507B publication Critical patent/CN106096507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智慧交通技术领域，提供一种黑车识别方法，首先进行车辆的空间特征、时间特征提取，以及对黑车聚集点时空特征进行提取，整理形成三类对应的CSV数据文件；再进行数据归一化与降维处理，将所得到的数据进行归一化处理，使其范围在[‑1,1]之间以及采用主成分分析法进行降维，把空间特征数据减为3个维度，时间特征数据减为2个维度，时空特征数据减4个纬度；最后采用kmean算法分别对步骤5得到的三种数据做聚类分析，得到每辆车的综合黑车嫌疑指数、判定黑车聚集点附近的可疑车辆。

Description

智慧交通黑车识别方法
技术领域
本发明涉及智能交通技术领域，具体而言涉及一种智慧交通黑车识别方法。
背景技术
所谓黑车，是指没有在交通运输管理部门办理任何相关手续、没有领取营运牌证而以有偿服务实施非法运营的车辆。黑车在空间跨度、与时间跨度上与出租车相似，但是却没有运营牌照。近年来，随着经济的发展，黑车的数量也在逐年上升，黑车的存在不仅严重扰乱了正常的运输市场秩序，导致严重的交通事故发生，损害乘客的合法权益，而且由于有些黑车车主的强揽旅客、敲诈勒索的行为，严重影响出行安全，给社会带来了不稳定的因素。黑车的治理工作具有车辆难以识别、数量庞大、调查取证困难等特点，且目前尚无一种有效的方法或系统可实现对其的自动识别,故如何正确识别黑车已成为运管处急需解决的问题。
发明内容
本发明目的在于提供一种黑车识别方法，可快速地识别出黑车。
本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的，本发明提出一种黑车识别方法，包括以下步骤：
步骤1、车辆采集点频次计算，以天为计算周期，计算设定范围内RFID采集点的车辆出入频次特征汇总数据，每个数据项包括进次数、出次数、进最早时间以及出最迟时间；
步骤2、空间特征提取，对于设定范围内的复数个RFID采集点，把一定时间跨度的数据根据车辆ID做分组统计，统计出车辆在每一个RFID采集点的出现次数，记录形成车辆ID-RFID采集点标识ID以及出现次数的数据项，并进一步汇总统计形成csv格式的数据文件，记录每辆车在一定时间跨度的出现次数；
步骤3、时间特征提取，以天为单位，把一天时间分成48个时间段，半个小时作为一段，统计出每辆车在每个时间段内，被所有的RFID采集的次数，记录车辆ID-时间段序号-出现次数-时间的数据项，并累积统计7天的数据，按天平均，求每个时间段出现次数的平均值；最后整理成CSV格式的数据文件，记录每一辆车在一天中每个时间段平均出现的次数；
步骤4、黑车聚集点时空特征提取，将黑车聚集点周围的RFID采集点标记出来，分析这些RFID采集点记录的车辆数据，形成采集点标识ID-车辆ID-时间段序号-出现次数-日期的数据记录，并累积最近7天的数据，决定在某个时间段的累积出现次数，最后整理形成CSV数据文件；
步骤5、数据归一化与降维处理，包括将前述步骤2、步骤3和步骤4所得到的数据进行归一化处理，使其范围在[-1,1]之间以及采用主成分分析法进行降维，把空间特征数据减为3个维度，时间特征数据减为2个维度，时空特征数据减4个纬度；
步骤6、采用kmean算法分别对步骤5得到的三种数据做聚类分析，得到每辆车的综合黑车嫌疑指数、判定黑车聚集点附近的可疑车辆。
由以上技术方案可知，本发明与现有技术相比，其显著优点在于：通过对车辆的时间特征、空间特征以及黑车常见聚集地的时空特征的处理和分析，获得用于判断的参考依据，并据此结合kmean算法实现对黑车的嫌疑识别，识别率高，定位准确，以将私家车运用Uber等软件接单，长时段运行，或者在火车站、城乡公交站台附近定点等客，行使目的地相对固定的黑车准确识别，为运管部门提供依据和参考。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是根据本发明某些实施例的黑车识别方法的总体流程示意图。
图2是根据本发明某些实施例的黑车识别方法的一个具体实施例的流程示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示，根据本发明的实施例，一种智能交通黑车识别方法，包括：
步骤1、车辆采集点频次计算，以天为计算周期，计算设定范围内RFID采集点的车辆出入频次特征汇总数据，每个数据项包括进次数、出次数、进最早时间以及出最迟时间；
步骤2、空间特征提取，对于设定范围内的复数个RFID采集点，把一定时间跨度的数据根据车辆ID做分组统计，统计出车辆在每一个RFID采集点的出现次数，记录形成车辆ID-RFID采集点标识ID以及出现次数的数据项，并进一步汇总统计形成csv格式的数据文件，记录每辆车在一定时间跨度的出现次数；
步骤3、时间特征提取，以天为单位，把一天时间分成48个时间段，半个小时作为一段，统计出每辆车在每个时间段内，被所有的RFID采集的次数，记录车辆ID-时间段序号-出现次数-时间的数据项，并累积统计7天的数据，按天平均，求每个时间段出现次数的平均值；最后整理成csv格式的数据文件，记录每一辆车在一天中每个时间段平均出现的次数；
步骤4、黑车聚集点时空特征提取，将黑车聚集点周围的RFID采集点标记出来，分析这些RFID采集点记录的车辆数据，形成采集点标识ID-车辆ID-时间段序号-出现次数-日期的数据记录，并累积最近7天的数据，决定在某个时间段的累积出现次数，最后整理形成csv数据文件；
步骤5、数据归一化与降维处理，包括将前述步骤2、步骤3和步骤4所得到的数据进行归一化处理，使其范围在[-1,1]之间以及采用主成分分析法进行降维，把空间特征数据减为3个维度，时间特征数据减为2个维度，时空特征数据减4个纬度；
步骤6、采用kmean算法分别对步骤5得到的三种数据做聚类分析，得到每辆车的综合黑车嫌疑指数、判定黑车聚集点附近的可疑车辆。
结合图2所示，下面的内容将结合一些具体的城市作为示例，对前述方法的示例性实现进行更加具体的描述。
在每个RFID采集点所采集的数据中，包括以下信息：采集点编号、车辆标识ID、采集时间、方向以及车道号。
步骤1、车辆采集点频次计算，以天为计算周期，计算设定范围内RFID采集点的车辆出入频次特征汇总数据，每个数据项包括进次数、出次数、进最早时间以及出最迟时间。
1、计算周期要求：
序号 计算周期 说明
1 天 每天凌晨，0:0:0，开始计算
2、计算数据项要求：
序号 数据项 单位
1 进次数 次
2 出次数 次
3 进最早时间 年-月-日-时-分
4 出最迟时间 年-月-日-时-分
3、数据存储表
步骤2、空间特征提取，对于设定范围内的复数个RFID采集点，把一定时间跨度的数据根据车辆ID做分组统计，统计出车辆在每一个RFID采集点的出现次数，记录形成车辆ID-RFID采集点标识ID以及出现次数的数据项，并进一步汇总统计形成csv格式的数据文件，记录每辆车在一定时间跨度的出现次数。
以一个城市作为范围，假定全城约有400个RFID采集点，把一定时间跨度的数据根据车辆ID做分组统计，统计出车辆在每一个RFID采集点的出现次数。时间跨度初设为一周，根据实验结果，跨度大小可调。
数据结构：
序号 字段名称 字段类型 精度
1 车辆ID String
2 采集点标识ID NUMBER
3 出现次数 INTEGER
数据结构2：
进一步整理成csv格式的数据文件，记录每辆车在一定时间跨度的出现次数
车辆ID 营运属性 采集点1 采集点2 ... 采集点400
车辆1 营运(1) 5 0 ... 2
车辆2 非营运(0) 100 30 ... 30
步骤3、时间特征提取，以天为单位，把一天时间分成48个时间段，半个小时作为一段，统计出每辆车在每个时间段内，被所有的RFID采集的次数，记录车辆ID-时间段序号-出现次数-时间的数据项，并累积统计7天的数据，按天平均，求每个时间段出现次数的平均值；最后整理成csv格式的数据文件，记录每一辆车在一天中每个时间段平均出现的次数。
把一天时间分成48段，并半个小时一段。统计出每辆车在每个时间段内，被所有的RFID采集的次数。
数据结构：
序号 字段名称 字段类型 精度
1 车辆ID String
2 时间段序号 NUMBER
3 出现次数 INTEGER
4 日期 Date
累积统计7天的数据，按天平均，求每个时间段出现次数的平均值。
序号 字段名称 字段类型 精度
1 车辆ID String
2 时间段序号 NUMBER
3 日平均出现次数 INTEGER
数据输出：进一步整理成CSV格式的数据文件，记录每一辆车在一天中每个时间段平均出现的次数。
车辆ID 营运属性 时间段1 时间段2 ... 时间段48
车辆1 营运(1) 5 0 ... 2
车辆2 非营运(0) 100 30 ... 30
步骤4、黑车聚集点时空特征提取，将黑车聚集点周围的RFID采集点标记出来，分析这些RFID采集点记录的车辆数据，形成采集点标识ID-车辆ID-时间段序号-出现次数-日期的数据记录，并累积最近7天的数据，决定在某个时间段的累积出现次数，最后整理形成csv数据文件。
黑车聚集点周围的RFID标记出来。重点分析这些RFID记录的车辆数据。
数据结构：
累积最近7天的数据，在某个时间段的累积出现次数
整理成如下的CSV格式：
步骤5、数据归一化与降维处理，包括将前述步骤2、步骤3和步骤4所得到的数据进行归一化处理，使其范围在[-1,1]之间以及采用主成分分析法进行降维，把空间特征数据减为3个维度，时间特征数据减为2个维度，时空特征数据减4个纬度。
以上步骤2、3、4所得到的三种数据，维度都比较高。空间特征数据维度400，时间特征数据维度48，时空特征数据维度为50。
1)数据归一化
为数据处理方便，把每一维数据做归一化处理，使其范围在(-1，1)之间。
归一化公式：y＝(x-MinValue)/(MaxValue-MinValue)
说明：x为某辆车在某一维的样本值、y为归一化后的输出，MaxValue、MinValue分别为样本的最大值和最小值。
降维
2)降维采用PCA(主成分分析法)。把空间特征数据减为3个维度，时间特征数据减为2个维度，时空特征数据减4个纬度。
-空间特征的降维
把空间特征整体数据集做为输入，通过主元分析，输出一个同样大小的数据集。输出集也是400维特征。每一维特征的重要程度不同。从第1维开始，往后逐步递减。排在前面的维度能表达更多的空间特征。这里，对每一行的数据保留前3维，用以替代前面400维数据。以达到降维的效果。
-时间特征的降维
时间特征的降维方式与空间特征类同。对数据集做主元分析，保留前2维的结果。
-时空特征的降维
时空特征的50维中，包含48维的时间特征+2维的地理位置特征。2维的地理位置特征表示采集点的经度、纬度。降维部分把时间特征从48维降到2维。总共4维。
步骤6、采用kmean算法分别对步骤5得到的三种数据做聚类分析，得到每辆车的综合黑车嫌疑指数、判定黑车聚集点附近的可疑车辆。
在本步骤中，我们采用kmean分别对以上三种数据做聚类分析。
6-1、对时间特征和空间特征的处理
(1)kmean聚类：
过滤出出租车部分的数据，用kmeans算法做聚类。
kmeans算法接受参数c；然后将事先输入的n个数据对象划分为c个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)来进行计算的。
算法步骤描述如下：
(1)适当选择c个类的初始中心；
(2)在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；
(3)利用均值等方法更新该类的中心值；
(4)对于所有的c个聚类中心，如果利用(2)(3)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。
算法参数设定：
设100个中心点，把数据分为100个类。每个类所占的空间范围又称为胞腔。每个类的中心点叫做质心。
用欧氏距离作为距离计算公式。
(2)计算车辆的非法运营嫌疑指数：离质心越近，嫌疑度越高。
将所有非营运车辆的空间特征、时间特征投影到出租车聚类空间中，并计算出所有非营运车辆到其对应质心的距离。得到的距离即为该车辆的非法运营嫌疑指数。数值越小，表示其行为越接近运营车辆，嫌疑度越高。
(3)合并结果。
用以上的方式分别对空间特征和时间特征做处理，每辆车得到一个嫌疑指数，然后将两个结果平均，得到一个综合的嫌疑指数。
6-2、对黑车聚集点时空特征的聚类
考虑到黑车聚集点部分的数据，出租车和黑车的行为特征不太一样。黑车一般在火车站，城郊公交站附近采用蹲点等客的方式。有时，黑车也会在不同的黑车点出现。
(1)过滤其中非营远车辆的数据，根据采集点做分组，统计每组数据中，出现频率最高的车，取出前1％的车辆设为高可疑车辆。
(2)过滤中非营运车辆的数据，做kmean聚类分析，设质心数为100。
(3)绘制二维投影图，观察这些高可疑车辆在投影空间中的位置，及胞腔的特性。再进一步判断把哪些车辆设为中可疑车辆，及低可疑车辆。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种黑车识别方法，其特征在于，包括以下步骤：
步骤1、车辆采集点频次计算，以天为计算周期，计算设定范围内RFID采集点的车辆出入频次特征汇总数据，每个数据项包括进次数、出次数、进最早时间以及出最迟时间；
步骤2、空间特征提取，对于设定范围内的复数个RFID采集点，把一定时间跨度的数据根据车辆ID做分组统计，统计出车辆在每一个RFID采集点的出现次数，记录形成车辆ID-RFID采集点标识ID以及出现次数的数据项，并进一步汇总统计形成csv格式的数据文件，记录每辆车在一定时间跨度的出现次数；
步骤3、时间特征提取，以天为单位，把一天时间分成48个时间段，半个小时作为一段，统计出每辆车在每个时间段内，被所有的RFID采集的次数，记录车辆ID-时间段序号-出现次数-时间的数据项，并累积统计7天的数据，按天平均，求每个时间段出现次数的平均值；最后整理成CSV格式的数据文件，记录每一辆车在一天中每个时间段平均出现的次数；
步骤4、黑车聚集点时空特征提取，将黑车聚集点周围的RFID采集点标记出来，分析这些RFID采集点记录的车辆数据，形成采集点标识ID-车辆ID-时间段序号-出现次数-日期的数据记录，并累积最近7天的数据，决定在某个时间段的累积出现次数，最后整理形成CSV数据文件；
步骤5、数据归一化与降维处理，包括将前述步骤2、步骤3和步骤4所得到的数据进行归一化处理，使其范围在[-1,1]之间以及采用主成分分析法进行降维，把空间特征数据减为3个维度，时间特征数据减为2个维度，时空特征数据减4个纬度；
步骤6、采用kmean算法分别对步骤5得到的三种数据做聚类分析，得到每辆车的综合黑车嫌疑指数、判定黑车聚集点附近的可疑车辆。
2.根据权利要求1所述的黑车识别方法，其特征在于，所述步骤2中，时间跨度初设为一周。
3.根据权利要求1所述的黑车识别方法，其特征在于，所述步骤2中，时间跨度可调节。
4.根据权利要求1所述的黑车识别方法，其特征在于，所述步骤5中，归一化处理的公式如下：
y=(x-MinValue)/(MaxValue-MinValue)
其中，x为某辆车在某一维的样本值，y为归一化后的输出，MaxValue、MinValue分别为样本的最大值和最小值。
5.根据权利要求1所述的黑车识别方法，其特征在于，在所述步骤5的降维处理中：
对空间特征，每一行的数据保留前3维的结果；
对空间特征，每一行的数据保留前2维的结果；
对黑车聚集点的时空特征，将时间特征从48维将到2维，并且加上用于表达经度和纬度的两维，总共保留4维的结果。
6.根据权利要求1所述的黑车识别方法，其特征在于，所述步骤6中，根据kmeans聚类算法，把所有非营运车辆的空间特征、时间特征投影到出租车聚类空间中，并计算出所有非营运车辆到其对应质心的距离，得到的距离即为该车辆的非法运营嫌疑指数，该指数的数值越小，表示其行为越接近运营车辆，嫌疑度越高。
7.根据权利要求6所述的黑车识别方法，其特征在于，在所述步骤6中，根据前述非法运营嫌疑指数的获得方式，对空间特征和时间特征分别做处理，每辆车得到对应的嫌疑指数后，再将两个嫌疑指数结果平均，得到一个综合的嫌疑指数。
8.根据权利要求6所述的黑车识别方法，其特征在于，在所述步骤6中，对黑车聚集点时空特征的处理包括：
过滤中非营远车辆的数据，根据RFID采集点做分组，统计每组数据中，出现频率最高的车，取出前1%的车辆设为高可疑车辆；
过滤中非营运车辆的数据，做kmean聚类分析，设质心数为100；
最后绘制二维投影图，根据这些高可疑车辆在投影空间中的位置及胞腔的特性，确定可疑车辆及低可疑车辆。
CN201610368981.4A 2016-05-27 2016-05-27 智慧交通黑车识别方法 Active CN106096507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610368981.4A CN106096507B (zh) 2016-05-27 2016-05-27 智慧交通黑车识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610368981.4A CN106096507B (zh) 2016-05-27 2016-05-27 智慧交通黑车识别方法

Publications (2)

Publication Number Publication Date
CN106096507A true CN106096507A (zh) 2016-11-09
CN106096507B CN106096507B (zh) 2020-03-24

Family

ID=57230309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610368981.4A Active CN106096507B (zh) 2016-05-27 2016-05-27 智慧交通黑车识别方法

Country Status (1)

Country Link
CN (1) CN106096507B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016471A (zh) * 2017-05-10 2017-08-04 南京莱斯信息技术股份有限公司 一种基于人工智能的智慧交通解决方法及其管理系统
CN107886731A (zh) * 2017-11-03 2018-04-06 武汉元鼎创天信息科技有限公司 一种非法营运车辆智能检测方法
CN109408557A (zh) * 2018-09-29 2019-03-01 东南大学 一种基于多重对应和K-means聚类的交通事故成因分析方法
CN109493608A (zh) * 2018-12-06 2019-03-19 湖南科创信息技术股份有限公司 非法营运车辆的识别方法及系统和计算机可读的存储介质
CN109615853A (zh) * 2018-11-29 2019-04-12 重庆首讯科技股份有限公司 识别高速公路疑似非法营运车辆的方法及设备
CN110444024A (zh) * 2018-05-02 2019-11-12 芝麻开门网络信息股份有限公司 一种基于物联网的套牌车识别系统
CN111145542A (zh) * 2019-12-23 2020-05-12 北京高诚科技发展有限公司 一种基于车辆行为的营运性质监测系统及方法
CN111489556A (zh) * 2020-05-20 2020-08-04 上海评驾科技有限公司 一种营运车辆挂靠行为的判断方法
CN112598912A (zh) * 2020-12-10 2021-04-02 佳都新太科技股份有限公司 卡口间隔获取方法、装置、计算机设备及存储介质
CN116631198A (zh) * 2023-06-05 2023-08-22 南京观为智慧软件科技有限公司 基于物联网设备的交通综合执法研判系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130208985A1 (en) * 2009-08-04 2013-08-15 Chemimage Corporation System and Method for Improved Forensic Analysis
CN104268599A (zh) * 2014-09-29 2015-01-07 中国科学院软件研究所 一种基于车辆轨迹时空特征分析的黑车智能发现方法
CN104750800A (zh) * 2014-11-13 2015-07-01 安徽四创电子股份有限公司 一种基于出行时间特征的机动车聚类方法
CN105160883A (zh) * 2015-10-20 2015-12-16 重庆邮电大学 一种基于大数据的节能驾驶行为分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130208985A1 (en) * 2009-08-04 2013-08-15 Chemimage Corporation System and Method for Improved Forensic Analysis
CN104268599A (zh) * 2014-09-29 2015-01-07 中国科学院软件研究所 一种基于车辆轨迹时空特征分析的黑车智能发现方法
CN104750800A (zh) * 2014-11-13 2015-07-01 安徽四创电子股份有限公司 一种基于出行时间特征的机动车聚类方法
CN105160883A (zh) * 2015-10-20 2015-12-16 重庆邮电大学 一种基于大数据的节能驾驶行为分析方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016471A (zh) * 2017-05-10 2017-08-04 南京莱斯信息技术股份有限公司 一种基于人工智能的智慧交通解决方法及其管理系统
CN107886731A (zh) * 2017-11-03 2018-04-06 武汉元鼎创天信息科技有限公司 一种非法营运车辆智能检测方法
CN110444024A (zh) * 2018-05-02 2019-11-12 芝麻开门网络信息股份有限公司 一种基于物联网的套牌车识别系统
CN109408557A (zh) * 2018-09-29 2019-03-01 东南大学 一种基于多重对应和K-means聚类的交通事故成因分析方法
CN109408557B (zh) * 2018-09-29 2021-09-28 东南大学 一种基于多重对应和K-means聚类的交通事故成因分析方法
CN109615853B (zh) * 2018-11-29 2021-06-22 重庆首讯科技股份有限公司 识别高速公路疑似非法营运车辆的方法及设备
CN109615853A (zh) * 2018-11-29 2019-04-12 重庆首讯科技股份有限公司 识别高速公路疑似非法营运车辆的方法及设备
CN109493608A (zh) * 2018-12-06 2019-03-19 湖南科创信息技术股份有限公司 非法营运车辆的识别方法及系统和计算机可读的存储介质
CN111145542A (zh) * 2019-12-23 2020-05-12 北京高诚科技发展有限公司 一种基于车辆行为的营运性质监测系统及方法
CN111489556A (zh) * 2020-05-20 2020-08-04 上海评驾科技有限公司 一种营运车辆挂靠行为的判断方法
CN111489556B (zh) * 2020-05-20 2022-06-21 上海评驾科技有限公司 一种营运车辆挂靠行为的判断方法
CN112598912A (zh) * 2020-12-10 2021-04-02 佳都新太科技股份有限公司 卡口间隔获取方法、装置、计算机设备及存储介质
CN112598912B (zh) * 2020-12-10 2022-05-03 佳都科技集团股份有限公司 卡口间隔获取方法、装置、计算机设备及存储介质
CN116631198A (zh) * 2023-06-05 2023-08-22 南京观为智慧软件科技有限公司 基于物联网设备的交通综合执法研判系统
CN116631198B (zh) * 2023-06-05 2023-12-22 南京观为智慧软件科技有限公司 基于物联网设备的交通综合执法研判系统

Also Published As

Publication number Publication date
CN106096507B (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN106096507A (zh) 智慧交通黑车识别方法
Zhao et al. Trafficnet: An open naturalistic driving scenario library
Ma et al. Transit smart card data mining for passenger origin information extraction
CN106651027B (zh) 一种基于社交网络的互联网班车线路优化方法
CN108389397A (zh) 一种基于卡口数据辨别非法营运车辆的方法
CN103035123A (zh) 一种交通轨迹数据中异常数据获取方法及系统
CN107329977B (zh) 一种基于概率分布的假牌车二次筛选方法
CN107590239B (zh) 一种基于ic卡数据测定地铁站点公共自行车接驳半径的方法
CN106297304A (zh) 一种基于MapReduce面向大规模卡口数据的套牌车识别方法
CN109377757A (zh) 基于含多源粗差的车牌识别数据的车辆出行轨迹提取方法
Wemegah et al. Big data challenges in transportation: A case study of traffic volume count from massive Radio Frequency Identification (RFID) data
CN104318113A (zh) 基于乘客换乘的时空特征推算乘客上车站点的方法及系统
CN107229682A (zh) 一种基于大型数据库的出租车位置数据处理方法
CN115311858B (zh) 基于交通流韧性的城市路段分级管制方法
Hasani et al. Identifying High‐Risk Intersections for Walking and Bicycling Using Multiple Data Sources in the City of San Diego
CN114912689B (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
Yu et al. Quantification and management of urban traffic emissions based on individual vehicle data
CN114509081B (zh) 基于差异化收费计算车辆通行成本的方法以及装置
CN115830729A (zh) 基于高速公路etc数据融合的车辆出行信息提取方法
Cyril et al. Electronic ticket machine data analytics for public bus transport planning
Noh et al. SafetyCube: Framework for potential pedestrian risk analysis using multi-dimensional OLAP
CN102324111A (zh) 基于公交ic卡数据的车辆运行方向判断方法
KR101090418B1 (ko) 통행 요금 처리 시스템 및 방법
CN113536906A (zh) 一种基于乘客画像的人脸识别方法及装置
Wang et al. Tracking hit-and-run vehicle with sparse video surveillance cameras and mobile taxicabs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210012 room 627, Ning Shuang Road, Yuhuatai District, Nanjing, Jiangsu, 627

Applicant after: Ho whale cloud computing Polytron Technologies Inc

Address before: 210012 No. 68 Bauhinia Road, Yuhuatai District, Jiangsu, Nanjing

Applicant before: ZTEsoft Technology Co., Ltd.

GR01 Patent grant
GR01 Patent grant